31 KiB

Raw Blame History Unescape Escape

🌐 Suporta sa Maramihang Wika

Sinusuportahan sa pamamagitan ng GitHub Action (Awtomatiko at Laging Napapanahon)

Sumali sa Aming Komunidad

Mayroon kaming serye ng Discord na "learn with AI" na patuloy, alamin pa at sumali sa amin sa Learn with AI Series mula Setyembre 18 - 30, 2025. Makakakuha ka ng mga tip at trick sa paggamit ng GitHub Copilot para sa Data Science.

Machine Learning para sa mga Nagsisimula - Isang Kurikulum

🌍 Maglakbay sa buong mundo habang tinutuklasan natin ang Machine Learning sa pamamagitan ng mga kultura ng mundo 🌍

Ang mga Cloud Advocates sa Microsoft ay natutuwa na mag-alok ng 12-linggong, 26-leksyon na kurikulum tungkol sa Machine Learning. Sa kurikulum na ito, matututuhan mo ang tinatawag na classic machine learning, gamit ang pangunahing Scikit-learn bilang library at iniiwasan ang deep learning, na sakop sa aming AI for Beginners' curriculum. Pagsamahin ang mga leksyon na ito sa aming 'Data Science for Beginners' curriculum, din!

Maglakbay kasama namin sa buong mundo habang inilalapat natin ang mga klasikong teknik na ito sa data mula sa iba't ibang bahagi ng mundo. Bawat leksyon ay may kasamang pre- at post-lesson quizzes, nakasulat na mga tagubilin para tapusin ang leksyon, solusyon, assignment, at iba pa. Ang aming project-based na pedagogiya ay nagpapahintulot sa iyo na matuto habang nagtatayo, isang napatunayang paraan para manatili ang mga bagong kasanayan.

✍️ Taos-pusong pasasalamat sa aming mga may-akda Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu at Amy Boyd

🎨 Salamat din sa aming mga ilustrador Tomomi Imura, Dasani Madipalli, at Jen Looper

🙏 Espesyal na pasasalamat 🙏 sa aming mga Microsoft Student Ambassador na mga may-akda, tagasuri, at mga nag-ambag ng nilalaman, lalo na kina Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila, at Snigdha Agarwal

🤩 Dagdag na pasasalamat sa Microsoft Student Ambassadors na sina Eric Wanjau, Jasleen Sondhi, at Vidushi Gupta para sa aming mga leksyon sa R!

Pagsisimula

Sundin ang mga hakbang na ito:

I-fork ang Repository: I-click ang "Fork" na button sa itaas-kanang bahagi ng pahinang ito.
I-clone ang Repository: git clone https://github.com/microsoft/ML-For-Beginners.git

hanapin ang lahat ng karagdagang mga mapagkukunan para sa kursong ito sa aming Microsoft Learn collection

🔧 Kailangan ng tulong? Tingnan ang aming Troubleshooting Guide para sa mga solusyon sa karaniwang isyu sa pag-install, setup, at pagpapatakbo ng mga leksyon.

Mga Estudyante, upang magamit ang kurikulum na ito, i-fork ang buong repo sa iyong sariling GitHub account at tapusin ang mga ehersisyo nang mag-isa o kasama ang grupo:

Magsimula sa pre-lecture quiz.
Basahin ang lektura at tapusin ang mga aktibidad, huminto at magmuni-muni sa bawat knowledge check.
Subukang likhain ang mga proyekto sa pamamagitan ng pag-unawa sa mga leksyon sa halip na patakbuhin ang solution code; gayunpaman, ang code na iyon ay makikita sa mga /solution na folder sa bawat project-oriented na leksyon.
Kunin ang post-lecture quiz.
Tapusin ang hamon.
Tapusin ang assignment.
Pagkatapos makumpleto ang isang grupo ng leksyon, bisitahin ang Discussion Board at "matuto nang malakas" sa pamamagitan ng pagpuno ng angkop na PAT rubric. Ang 'PAT' ay isang Progress Assessment Tool na isang rubric na pinupunan mo upang mapalalim ang iyong pagkatuto. Maaari ka ring mag-react sa ibang mga PAT upang sabay tayong matuto.

Para sa karagdagang pag-aaral, inirerekomenda naming sundan ang mga Microsoft Learn na mga module at learning paths.

Mga Guro, may ilang mungkahi kami kung paano gamitin ang kurikulum na ito.

Mga Video Walkthrough

Ang ilan sa mga leksyon ay available bilang maikling video. Makikita mo ang mga ito sa loob ng mga leksyon, o sa ML for Beginners playlist sa Microsoft Developer YouTube channel sa pamamagitan ng pag-click sa larawan sa ibaba.

Kilalanin ang Koponan

Gif ni Mohit Jaisal

🎥 I-click ang larawan sa itaas para sa isang video tungkol sa proyekto at sa mga taong lumikha nito!

Pedagohiya

Pinili namin ang dalawang pedagogical na prinsipyo habang binubuo ang kurikulum na ito: tiyakin na ito ay hands-on at project-based at na ito ay may kasamang madalas na quizzes. Bukod dito, ang kurikulum na ito ay may isang karaniwang tema upang bigyan ito ng pagkakaisa.

Sa pamamagitan ng pagtitiyak na ang nilalaman ay naka-align sa mga proyekto, nagiging mas nakakaengganyo ang proseso para sa mga estudyante at mapapalakas ang retention ng mga konsepto. Bukod dito, ang isang low-stakes quiz bago ang klase ay nagtatakda ng intensyon ng estudyante sa pag-aaral ng isang paksa, habang ang pangalawang quiz pagkatapos ng klase ay nagsisiguro ng karagdagang retention. Ang kurikulum na ito ay dinisenyo upang maging flexible at masaya at maaaring kunin nang buo o bahagi lamang. Ang mga proyekto ay nagsisimula sa maliit at unti-unting lumalalim hanggang sa katapusan ng 12-linggong siklo. Kasama rin sa kurikulum na ito ang isang postscript tungkol sa mga totoong aplikasyon ng ML, na maaaring gamitin bilang dagdag na kredito o bilang batayan para sa diskusyon.

Hanapin ang aming Code of Conduct, Contributing, Translation, at Troubleshooting na mga gabay. Malugod naming tinatanggap ang iyong makabuluhang puna!

Bawat leksyon ay may kasamang

opsyonal na sketchnote
opsyonal na karagdagang video
video walkthrough (ilang leksyon lamang)
pre-lecture warmup quiz
nakasulat na leksyon
para sa mga project-based na leksyon, step-by-step na gabay kung paano buuin ang proyekto
knowledge checks
isang hamon
karagdagang babasahin
assignment
post-lecture quiz

Tungkol sa mga wika: Ang mga leksyon na ito ay pangunahing nakasulat sa Python, ngunit marami rin ang available sa R. Upang tapusin ang isang R na leksyon, pumunta sa /solution na folder at hanapin ang mga leksyon sa R. Mayroon silang .rmd na extension na kumakatawan sa isang R Markdown na file na maaaring ipaliwanag bilang pagsasama ng code chunks (ng R o iba pang mga wika) at isang YAML header (na gumagabay kung paano i-format ang mga output tulad ng PDF) sa isang Markdown document. Dahil dito, nagsisilbi itong isang halimbawa ng authoring framework para sa data science dahil pinapayagan kang pagsamahin ang iyong code, ang output nito, at ang iyong mga saloobin sa pamamagitan ng pagsusulat ng mga ito sa Markdown. Bukod dito, ang mga R Markdown na dokumento ay maaaring i-render sa mga output format tulad ng PDF, HTML, o Word.

Tungkol sa mga quiz: Lahat ng quiz ay nasa Quiz App folder, para sa kabuuang 52 na quiz na may tig-tatlong tanong bawat isa. Nakalink ang mga ito mula sa loob ng mga leksyon ngunit ang quiz app ay maaaring patakbuhin nang lokal; sundin ang mga tagubilin sa quiz-app na folder upang i-host nang lokal o i-deploy sa Azure.

Lesson Number	Topic	Lesson Grouping	Learning Objectives	Linked Lesson	Author
01	Panimula sa machine learning	Introduction	Alamin ang mga pangunahing konsepto sa likod ng machine learning	Lesson	Muhammad
02	Kasaysayan ng machine learning	Introduction	Alamin ang kasaysayan sa likod ng larangang ito	Lesson	Jen and Amy
03	Katarungan at machine learning	Introduction	Ano ang mga mahahalagang pilosopikal na isyu tungkol sa katarungan na dapat isaalang-alang ng mga estudyante sa pagbuo at paggamit ng mga ML na modelo?	Lesson	Tomomi
04	Mga Teknik para sa machine learning	Introduction	Anong mga teknik ang ginagamit ng mga mananaliksik ng ML para bumuo ng mga ML na modelo?	Lesson	Chris and Jen
05	Panimula sa regression	Regression	Magsimula gamit ang Python at Scikit-learn para sa mga regression na modelo	Python • R	Jen • Eric Wanjau
06	Mga Presyo ng Kalabasa sa Hilagang Amerika 🎃	Regression	I-visualize at linisin ang datos bilang paghahanda para sa ML	Python • R	Jen • Eric Wanjau
07	Mga Presyo ng Kalabasa sa Hilagang Amerika 🎃	Regression	Bumuo ng linear at polynomial regression na mga modelo	Python • R	Jen and Dmitry • Eric Wanjau
08	Mga Presyo ng Kalabasa sa Hilagang Amerika 🎃	Regression	Bumuo ng logistic regression na modelo	Python • R	Jen • Eric Wanjau
09	Isang Web App 🔌	Web App	Bumuo ng web app para gamitin ang iyong na-train na modelo	Python	Jen
10	Panimula sa classification	Classification	Linisin, ihanda, at i-visualize ang iyong datos; panimula sa classification	Python • R	Jen and Cassie • Eric Wanjau
11	Masasarap na Asian at Indian na lutuin 🍜	Classification	Panimula sa mga classifier	Python • R	Jen and Cassie • Eric Wanjau
12	Masasarap na Asian at Indian na lutuin 🍜	Classification	Higit pang mga classifier	Python • R	Jen and Cassie • Eric Wanjau
13	Masasarap na Asian at Indian na lutuin 🍜	Classification	Bumuo ng recommender web app gamit ang iyong modelo	Python	Jen
14	Panimula sa clustering	Clustering	Linisin, ihanda, at i-visualize ang iyong datos; Panimula sa clustering	Python • R	Jen • Eric Wanjau
15	Pagsusuri sa Nigerian Musical Tastes 🎧	Clustering	Suriin ang K-Means clustering na pamamaraan	Python • R	Jen • Eric Wanjau
16	Panimula sa natural language processing ☕️	Natural language processing	Alamin ang mga batayan tungkol sa NLP sa pamamagitan ng paggawa ng isang simpleng bot	Python	Stephen
17	Mga Karaniwang Gawain sa NLP ☕️	Natural language processing	Palalimin ang iyong kaalaman sa NLP sa pamamagitan ng pag-unawa sa mga karaniwang gawain na kailangan sa pagharap sa mga istruktura ng wika	Python	Stephen
18	Pagsasalin at pagsusuri ng damdamin ♥️	Natural language processing	Pagsasalin at pagsusuri ng damdamin gamit si Jane Austen	Python	Stephen
19	Mga romantikong hotel sa Europa ♥️	Natural language processing	Pagsusuri ng damdamin gamit ang mga review ng hotel 1	Python	Stephen
20	Mga romantikong hotel sa Europa ♥️	Natural language processing	Pagsusuri ng damdamin gamit ang mga review ng hotel 2	Python	Stephen
21	Panimula sa time series forecasting	Time series	Panimula sa time series forecasting	Python	Francesca
22	⚡️ Paggamit ng Kuryente sa Mundo ⚡️ - time series forecasting gamit ang ARIMA	Time series	Time series forecasting gamit ang ARIMA	Python	Francesca
23	⚡️ Paggamit ng Kuryente sa Mundo ⚡️ - time series forecasting gamit ang SVR	Time series	Time series forecasting gamit ang Support Vector Regressor	Python	Anirban
24	Panimula sa reinforcement learning	Reinforcement learning	Panimula sa reinforcement learning gamit ang Q-Learning	Python	Dmitry
25	Tulungan si Peter na iwasan ang lobo! 🐺	Reinforcement learning	Reinforcement learning Gym	Python	Dmitry
Postscript	Mga totoong senaryo at aplikasyon ng ML	ML in the Wild	Mga kawili-wili at nakapupukaw na totoong aplikasyon ng klasikong ML	Lesson	Team
Postscript	Pag-debug ng Modelo sa ML gamit ang RAI dashboard	ML in the Wild	Pag-debug ng Modelo sa Machine Learning gamit ang Responsible AI dashboard components	Lesson	Ruth Yakubu

hanapin ang lahat ng karagdagang mga mapagkukunan para sa kursong ito sa aming koleksyon sa Microsoft Learn

Offline access

Maaari mong patakbuhin ang dokumentasyong ito offline gamit ang Docsify. I-fork ang repo na ito, i-install ang Docsify sa iyong lokal na makina, at pagkatapos sa root folder ng repo na ito, i-type ang docsify serve. Ang website ay ihahain sa port 3000 sa iyong localhost: localhost:3000.

PDFs

Hanapin ang pdf ng kurikulum na may mga link dito.

🎒 Iba Pang Mga Kurso

Ang aming koponan ay gumagawa ng iba pang mga kurso! Tingnan ang:

LangChain

Azure / Edge / MCP / Agents

Generative AI Series

Pangunahing Pagkatuto

Copilot Series

Pagkuha ng Tulong

Kung ikaw ay na-stuck o may mga tanong tungkol sa paggawa ng mga AI app. Sumali sa mga kapwa nag-aaral at mga bihasang developer sa mga talakayan tungkol sa MCP. Ito ay isang suportadong komunidad kung saan malugod ang mga tanong at malayang ibinabahagi ang kaalaman.

Kung mayroon kang feedback sa produkto o mga error habang nagtatayo, bisitahin:

Paalala: Ang dokumentong ito ay isinalin gamit ang AI translation service na Co-op Translator. Bagamat nagsusumikap kami para sa katumpakan, pakatandaan na ang mga awtomatikong pagsasalin ay maaaring maglaman ng mga pagkakamali o di-tumpak na impormasyon. Ang orihinal na dokumento sa orihinal nitong wika ang dapat ituring na pangunahing sanggunian. Para sa mahahalagang impormasyon, inirerekomenda ang propesyonal na pagsasalin ng tao. Hindi kami mananagot sa anumang hindi pagkakaunawaan o maling interpretasyon na maaaring magmula sa paggamit ng pagsasaling ito.

31 KiB Raw Blame History Unescape Escape